🧠 YOLOv2 技术详解：目标检测的又一次飞跃

一、前言

在 YOLOv1 提出后，虽然实现了“实时性 + 单阶段”的突破，但其在精度和小物体检测方面仍有明显不足。为了弥补这些缺陷，Joseph Redmon 等人在 2017 年提出了 YOLOv2（又名 YOLO9000），并在论文中宣称：

“It’s more accurate than other detection systems and can run at real-time speeds.”

本文将深入解析 YOLOv2 的核心技术亮点，包括：

• 引入 Anchor Boxes
• 多尺度预测
• 更好的主干网络 Darknet-19
• 联合训练 COCO 和 ImageNet

---

二、YOLOv2 的主要改进点

改进点	描述
✅ 引入 Anchor Boxes	借鉴 Faster R-CNN 思想，使用预设宽高比例的边界框提升召回率
✅ 多尺度预测（Multi-Scale Training）	输入图像尺寸可变，增强模型对不同大小目标的适应能力
✅ 更强的主干网络	使用 Darknet-19，比 VGG 更轻量、更快
✅ 联合训练 COCO + ImageNet	同时学习检测与分类任务，实现跨数据集泛化能力

---

三、YOLOv2 的网络结构详解

🔍 整体架构图（简化版）

Input (416x416x3)
│
├─ Conv Layer (3x3, 32 filters, stride=1) → BatchNorm → LeakyReLU
├─ MaxPool (2x2, stride=2)
├─ Conv Layer (3x3, 64 filters, stride=1) → BatchNorm → LeakyReLU
├─ MaxPool (2x2, stride=2)
├─ Conv Layers ... （共19层）
│
└─ Output: 13x13x(5×B + C) → Bounding Box 预测 + 类别概率

📌 特点说明：

• 输入图像统一为 416 × 416；
• 输出为 13 × 13 的网格单元；
• 每个单元格输出多个 bounding box（默认为 5 个）；
• 每个 bounding box 包含：
  • (tx, ty)：中心坐标偏移；
  • (tw, th)：宽高相对于 anchor 的缩放；
  • confidence：是否包含物体；
  • class probabilities：类别置信度；

---

四、YOLOv2 的关键创新点详解

✨ 1. Anchor Boxes 的引入

🔍 什么是 Anchor Boxes？

Anchor Boxes 是一组预设的宽高比（如 1:1、2:1、1:2 等），用于作为边界框回归的参考模板。

💡 YOLOv1 的问题：

• 每个 grid cell 只能预测两个固定格式的边界框；
• 缺乏先验知识，导致对形状变化大的目标（如长条形物体）表现不佳；

✅ YOLOv2 的改进：

• 每个 grid cell 预测多个 bounding box（默认 5 个）；
• 每个 bounding box 的宽高是基于 K-Means 聚类真实框得到的 anchors；
• 公式如下：

$$b_w=a_w\cdot e^{t_w},b_h=a_h\cdot e^{t_h}$$

其中 $a_w,a_h$ 是 anchor 的宽高，$t_w,t_h$ 是网络输出的偏移值。

📌 Anchor Boxes 的优势：

• 提升了小物体检测效果；
• 增加了模型对不同形状目标的适应能力；
• 提高了整体召回率。

---

✨ 2. 多尺度预测（Multi-Scale Training）

🔍 什么是 Multi-Scale Training？

YOLOv2 在训练过程中随机选择输入图像的尺寸，使模型能够适应不同尺度的目标。

💡 实现方式：

• 输入图像尺寸在 [320, 352, …, 608] 中随机选取（均为 32 的倍数）；
• 模型在推理时也可适配任意尺寸的图像；
• 通过这种方式增强了模型的尺度鲁棒性。

📌 优势：

• 对小目标更敏感；
• 不依赖固定输入尺寸；
• 推理速度基本不变的情况下提升了精度。

---

✨ 3. Darknet-19 主干网络

YOLOv2 使用了一个轻量级的卷积神经网络 Darknet-19，它相比 VGG 更快、更轻量。

🧱 Darknet-19 结构简述：

层类型	参数说明
Conv + BatchNorm + LeakyReLU	19 层卷积网络
MaxPooling	下采样操作
Global Average Pooling	最终分类输出

📌 优势：

• 比 VGG 快很多；
• 准确率接近 VGG；
• 更适合嵌入式设备部署。

---

✨ 4. 联合训练 COCO + ImageNet（YOLO9000）

YOLOv2 的最大亮点之一是 YOLO9000 —— 一个可以检测 9000+ 类别的检测器。

🧩 实现思路：

• 使用 WordTree 构建类别层级结构；
• 图像来源包括 COCO（带位置标签）和 ImageNet（仅分类）；
• 在 COCO 上训练检测头，在 ImageNet 上训练分类头；
• 利用层次 softmax 进行联合优化。

🎯 应用价值：

• 实现跨数据集迁移学习；
• 扩展性强，可用于罕见类别检测；
• 开启了“开放词汇”检测的新方向。

---

五、YOLOv2 的损失函数详解

YOLOv2 的损失函数与 YOLOv1 类似，但加入了对 anchor boxes 的支持。

⚙️ 损失函数公式：

$$\mathcal{L}={\lambda }_{\text{coord}}\sum _{i=0}^{S^2}\sum _{j=0}^B{1}_{ij}^{\text{obj}}\left[(x_i-{\hat{x}}_i{)}^2+(y_i-{\hat{y}}_i{)}^2+(\sqrt{w_i}-\sqrt{{\hat{w}}_i}{)}^2+(\sqrt{h_i}-\sqrt{{\hat{h}}_i}{)}^2\right]$$

$$-\sum _{i=0}^{S^2}\sum _{j=0}^B{1}_{ij}^{\text{obj}}\log (C_i)-\sum _{i=0}^{S^2}(1-1_i^{\text{obj}})\log (1-C_i)$$

$$+{\lambda }_{\text{cls}}\sum _{i=0}^{S^2}{1}_i^{\text{obj}}\sum _{c\in \text{classes}}(p_i(c)-{\hat{p}}_i(c){)}^2$$
YOLO 将图像划分为 $S\times S$ 的网格，每个网格负责预测 $B$ 个边界框（bounding boxes），每个框包括：
• 位置（$x,y$）
• 宽高（$w,h$）
• 置信度（$C$）
• 类别概率向量（$p_1,p_2,\dots$）

💡 总体公式

$$\mathcal{L}=\text{位置误差}+\text{置信度误差}+\text{分类误差}$$

⸻

🧩 各部分含义

1. 位置损失（bounding box regression）

由左上角位置 $(x_i,y_i)$ 和宽高 $(w_i,h_i)$ 构成，使用的是平方差损失，但对 $w,h$ 使用了开方来减小大框对损失的影响：

$${\lambda }_{\text{coord}}\sum _{i=0}^{S^2}\sum _{j=0}^B{1}_{ij}^{\text{obj}}\left[(x_i-{\hat{x}}_i{)}^2+(y_i-{\hat{y}}_i{)}^2+(\sqrt{w_i}-\sqrt{{\hat{w}}_i}{)}^2+(\sqrt{h_i}-\sqrt{{\hat{h}}_i}{)}^2\right]$$

其中 $1_{ij}^{\text{obj}}$ 是一个指示变量，表示第 $i$ 个网格的第 $j$ 个预测框是否负责某个目标。

⸻

2. 置信度损失（object confidence prediction）

用于衡量模型对目标存在与否的预测能力，分为两部分：
• 对有目标的框预测 $C_i$，希望接近 1
• 对无目标的框预测 $C_i$，希望接近 0

$$•\sum _{i=0}^{S^2}\sum _{j=0}^B{1}_{ij}^{\text{obj}}\log (C_i)•\sum _{i=0}^{S^2}(1-1_i^{\text{obj}})\log (1-C_i)$$

⸻

3. 分类损失（classification loss）

用于衡量正确类别的概率预测，使用的是每一类的平方差损失（可替换为交叉熵）：

$${\lambda }_{\text{cls}}\sum _{i=0}^{S^2}1i^{\text{obj}}\sum c\in \text{classes}(p_i(c)-{\hat{p}}_i(c){)}^2$$

📌 关键区别：

• 引入了 anchor boxes 的宽高参数 $a_w,a_h$；
• 边界框预测不再直接回归绝对值，而是基于 anchor 的偏移；
• 分类部分使用层次 softmax，支持多数据集联合训练。

---

六、YOLOv2 的 NMS 优化

YOLOv2 中也使用了 NMS（Non-Maximum Suppression） 来去除重复预测框。

✅ 优化点：

• 支持 Soft-NMS（软抑制），避免误删相邻目标；
• 使用 DIoU-NMS 替代传统 IoU；
• 支持按类别执行 NMS。

---

七、YOLOv2 的性能对比

模型	mAP@COCO	FPS
YOLOv1	~63.4	45 fps
YOLOv2	~76.8	67 fps
SSD512	~79.8	22 fps
Faster R-CNN (VGG)	~73.2	7 fps

✅ YOLOv2 在保持高速的同时，显著提升了精度，成为当时最具性价比的目标检测方案之一。

---

八、YOLOv2 的局限性

尽管 YOLOv2 表现优异，但仍存在一些不足：

局限性	说明
小物体检测仍不理想	虽有改进，但在密集场景下依然不如两阶段方法
Anchor 设计依赖聚类结果	需要重新聚类 anchor 尺寸以适配新任务
无特征融合机制	缺少类似 FPN 的多尺度融合模块

---

九、总结

模块	内容
YOLOv2 的贡献	引入 Anchor Boxes、支持多尺度训练、使用 Darknet-19、提出 YOLO9000
Anchor Boxes 的作用	提升召回率、提高定位精度
多尺度训练的优势	增强模型对不同尺寸目标的适应能力
Darknet-19 的特点	比 VGG 更快、更适合部署
YOLO9000 的意义	开启了大规模检测的新时代

---

---

📌 欢迎点赞 + 收藏 + 关注我，我会持续更新更多关于计算机视觉、目标检测、深度学习、YOLO系列等内容！